Monitoring the depth of anaesthesia using the new modified entropy sensors during supratentorial craniotomy: Our experience
Notice bibliographique
Résumé
Abstract Background: Monitoring the depth of anaesthesia can be a challenge in patients undergoing supratentorial craniotomy because the conventional sensors for both bispectral index and entropy monitors lose their contact with a brain after scalp elevation. The new sensors for the entropy monitor are more flexible and can be placed in different locations. The purpose of this study was to determine the feasibility on the use of new GE entropy sensors in monitoring depth of anaesthesia in patients undergoing supratentorial craniotomy. Materials and Methods: We retrospectively reviewed the data from 20 consecutive patients undergoing supratentorial craniotomy who had the monitoring of the depth of anaesthesia using modified entropy sensors. Prior to the induction of anaesthesia, the new GE entropy sensor (P/N M1038681) was applied in a modified fashion. We measured the state entropy (SE) and response entropy (RE) at 12 perioperative time points. Entropy values were compared with the clinical indices of depth of anaesthesia. Results: Data from 20 consecutive patients (orbitozygomatic craniotomy [10] and bifrontal craniotomy [10]) were analysed. Monitoring was possible in all the patients. The changes in entropy values correlated with clinical indices of depth of anaesthesia. However, some patients showed variations in absolute values (RE and SE) during the intraoperative period without any changes in the level of anaesthetic depth. Conclusions: Monitoring the depth of anaesthesia is feasible with the use of new entropy sensors in patients undergoing supratentorial craniotomy. In contrast to standard sensors, the new sensors offer flexibility with the placement.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».